本文選題：交通工程 + 預(yù)測(cè)模型�。� 參考：《公路交通科技》2014年02期

【摘要】：為了提高短時(shí)交通流預(yù)測(cè)精度,更加精確地進(jìn)行交通流規(guī)劃和管理,引入一種新穎的基于最小最大概率回歸機(jī)(MPMR)的短時(shí)交通流預(yù)測(cè)模型。針對(duì)北京某公路監(jiān)測(cè)站實(shí)測(cè)的交通流數(shù)據(jù)集以及英國(guó)某地區(qū)實(shí)測(cè)的交通流數(shù)據(jù)集,利用基于MPMR的預(yù)測(cè)模型進(jìn)行短時(shí)交通流預(yù)測(cè),并與常規(guī)的基于神經(jīng)網(wǎng)絡(luò)、基于支持向量機(jī)(SVM)以及基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)(ANFIS)預(yù)測(cè)模型的預(yù)測(cè)性能進(jìn)行比較。試驗(yàn)結(jié)果表明,基于MPMR的短時(shí)交通流預(yù)測(cè)模型可以很好地跟蹤實(shí)際流量值,在同等條件下相比常規(guī)預(yù)測(cè)模型的預(yù)測(cè)精度更優(yōu),驗(yàn)證了所提出模型的有效性。
[Abstract]:In order to improve the accuracy of short-term traffic flow prediction and to carry out traffic flow planning and management more accurately, a novel short-term traffic flow prediction model based on minimum maximum probability regression machine (MPMR) was introduced. In view of the traffic flow data set measured by a highway monitoring station in Beijing and the traffic flow data set measured in a certain area of England, the short-term traffic flow prediction is carried out by using the prediction model based on MPMR, and compared with the conventional one based on neural network. The prediction performance based on support vector machine (SVM) and adaptive neural fuzzy inference system (ANFIS) is compared. The experimental results show that the short time traffic flow forecasting model based on MPMR can track the actual flow value very well, and the prediction accuracy of the model is better than that of the conventional model under the same conditions. The validity of the proposed model is verified.
【作者單位】： 蘭州交通大學(xué)自動(dòng)化與電氣工程學(xué)院;
【基金】：甘肅省財(cái)政廳基本業(yè)務(wù)費(fèi)項(xiàng)目(620026) 甘肅省碩導(dǎo)項(xiàng)目(1104-09)
【分類號(hào)】：U491.14

【參考文獻(xiàn)】

相關(guān)期刊論文 前5條

1 孫占全;潘景山;張贊軍;張立東;丁青艷;;基于主成分分析與支持向量機(jī)結(jié)合的交通流預(yù)測(cè)[J];公路交通科技;2009年05期

2 姚琛;羅霞;漢克·范少倫;;基于粗集和神經(jīng)網(wǎng)絡(luò)耦合的短時(shí)交通流預(yù)測(cè)[J];公路交通科技;2010年11期

3 齊馳;侯忠生;;自適應(yīng)單指數(shù)平滑法在短期交通流預(yù)測(cè)中的應(yīng)用[J];控制理論與應(yīng)用;2012年04期

4 朱文興;龍艷萍;賈磊;;基于RBF神經(jīng)網(wǎng)絡(luò)的交通流量預(yù)測(cè)算法[J];山東大學(xué)學(xué)報(bào)(工學(xué)版);2007年04期

5 李軍;趙峰;;基于支持向量回歸神經(jīng)網(wǎng)絡(luò)的時(shí)間序列預(yù)測(cè)[J];系統(tǒng)仿真學(xué)報(bào);2008年15期

【共引文獻(xiàn)】

相關(guān)期刊論文 前10條

1 蚩志鋒;楊先武;;基于改進(jìn)粒子群優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的地理信息預(yù)測(cè)[J];測(cè)繪科學(xué);2012年03期

2 劉潭秋;孫湘海;鐘翔;;基于三制度SETAR模型的短期交通流預(yù)測(cè)[J];公路交通科技;2010年10期

3 李春貴;徐樹安;閆向磊;溫鑫;張?jiān)龇?;結(jié)合粒子群算法的小波神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)[J];廣西工學(xué)院學(xué)報(bào)(自然科學(xué)版);2010年03期

4 王樹洋;黃天民;方新;;基于PSO-SVM的交通流量短時(shí)預(yù)測(cè)[J];重慶交通大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年04期

5 姜桂艷;王秋蘭;李琦;;基于多時(shí)間尺度一步外推的短時(shí)交通參數(shù)多步預(yù)測(cè)方法[J];公路交通科技;2013年02期

6 李s，

本文編號(hào)：1945805